Прогнозирование временных рядов с NARX в R - PullRequest
Новая
       25

Прогнозирование временных рядов с NARX в R

0 голосов
/ 05 сентября 2018

Я хочу использовать NARX (нелинейную авторегрессионную сеть с эксогенным входом) для прогнозирования временных рядов, и я отчаянно ищу подходящий пакет и функцию в R. Другие ответы на тот же вопрос в этом форуме пришли

  • nnetTs() пакета tsDyn или
  • nnetar() в упаковке forecast. Кроме того, я нашел
  • elm() функция в пакете nnfor.

Но ни один из них не является эквивалентом, например, модели NARX в Matlab, которой я стараюсь избегать.

nnetTs() не имеет аргументов для экзогенных входных переменных (иначе говоря, внешних регрессоров), что важно для модели NARX. nnetar() имеет эти внешние регрессоры и является авторегрессионным, но не дает аргументов для установки отставания регрессоров.

Наконец, вопрос: существует ли какой-нибудь реальный эквивалент NARX в R?

1 Ответ

0 голосов
/ 20 сентября 2018

mlp функция nnfor пакета в R, что эквивалентно NARX. Эта функция обеспечивает внешние регрессоры и лаги:

xreg: Экзогенные регрессоры. Каждый столбец является отдельным регрессором и размер выборки должен быть не менее целевого набора выборок, но может быть дольше.

xreg.lags: это список, содержащий лаги для каждая экзогенная переменная. Каждый список представляет собой числовой вектор, содержащий запаздывает. Если xreg имеет 3 столбца, то список xreg.lags должен содержать три элементы. Если NULL, то он указывается автоматически.

См. Пример Николая Курентца ниже: 

library(nnfor)
# The objective is to forecast the Airline Passengers series with only deterministic trend and seasonality
# mlp does the deterministic seasonality internally, when needed, but not the trend.

# Let us prepare some data
y <- AirPassengers
plot(y)
h <- 2*frequency(y)
tt <- cbind(c(1:(length(y)+h),rep(0,2*h)))
plot(tt)
# Observe that the deterministic trend ends with zeros
print(tt)

# Fit a network with no differencing, no univariate lags, and fixed deterministic trend
fit1 <- mlp(y,difforder=0,lags=0,xreg=tt,xreg.lags=list(0),xreg.keep=TRUE)
print(fit1)
plot(fit1)
plot(forecast(fit1,h=h,xreg=tt))
# The forecast is reasonable

# Now let us shift the input so that the zeros are in the forecast period
tt2 <- tt[-(1:h),,drop=FALSE]
plot(forecast(fit1,h=h,xreg=tt2))
# The seasonality is there, but there is zero trend, as the inputs suggest. 
# Also note that the mlp modelled multiplicative seasonality on its own. NNs are cool. 

# Now let us fit a network on the shifted inputs
# I will ask for outplot=1 to see the model fit
fit2 <- mlp(y,difforder=0,lags=0,xreg=tt2,xreg.lags=list(0),xreg.keep=TRUE,outplot=1)
plot(fit2)
plot(forecast(fit2,h=h,xreg=tt2))
# Same as before

# Now lets fit with two inputs, the shifted (lead of 24 periods) and the original trend
fit3 <- mlp(y,difforder=0,lags=0,xreg=cbind(tt[1:192,,drop=FALSE],tt2),xreg.lags=list(0,0),xreg.keep=list(TRUE,TRUE),outplot=1)
print(fit3)
plot(fit3)
plot(forecast(fit3,h=h,xreg=cbind(tt[1:192,,drop=FALSE],tt2)))
# The network gets a bit confused with one of the trend vectors stopping!
...